全文系统中的相关性调优涉及调整搜索结果的排名方式，以更好地匹配用户意图。其核心是修改评分算法，以确定哪些文档与查询最相关。开发者通常从分析词频（一个词在文档中出现的频率）和逆文档频率（一个词在所有文档中出现的稀有程度）等指标入手。例如，系统可能会优先考虑搜索词出现在标题中的文档，而不是仅出现在正文中的文档。这通常通过为特定字段分配更高的权重（提升）来实现，例如将标题字段提升 2 倍。排名算法中的参数，如改进了传统 TF-IDF 方法的 BM25，也可以进行调整——例如调整词项饱和度或文档长度如何影响分数。
调优的另一个层面包括查询扩展和同义词处理。系统可以使用词库来扩展搜索范围，确保查询“car”也能匹配包含“automobile”的文档。然而，过度使用同义词会降低精确度，因此开发者通常会根据实际数据测试和优化这些规则。邻近度设置是另一个工具：搜索词紧密相邻（例如，“machine learning”作为一个短语）的文档排名可能高于词项分散的文档。例如，配置系统优先匹配短语而不是单独词项，可以显著提高相关性。此外，停用词（如“the”或“and”等常用词）可以被排除或赋予不同的权重，以避免扭曲结果。
最后，用户行为和反馈循环也发挥着作用。过去的查询日志和点击率有助于识别模式——例如用户始终选择第三个结果，这表明靠前的结果排名有误。一些系统集成了机器学习模型，根据这些数据动态调整排名。例如，模型可能会学会优先处理时间敏感查询中的新文档。开发者还可以实施 A/B 测试来比较不同的调优策略，衡量平均点击位置或会话持续时间等指标。目标是迭代地优化精确度（返回正确结果）和召回率（返回所有相关结果）之间的平衡，确保系统适应实际使用情况，同时保持性能。
